IUT DE CARCASSONNE DE L’UNIVERSITÉ DE PERPIGNAN¶
Semestre 4, VIGAN JÉROS¶
""" Created on Mon May 4 12:29:20 2020 sur Spyder (Ipyhton)
@author: Jéros """
Problématique¶
Évaluant les données de ruralité comme le taux de la population rurale et le taux de la terre arable¶
Évaluant les données économiques comme le revenu national brut (RNB) et la population du monde en 2018¶
Évaluant la dispersion de la pandémie dans les pays du monde¶
Évaluant les liens entre les données de ruralité, données économiques et la pandémie¶
Gestion des Workpace, importation et modification des données¶
In [4]:
import os
import pandas as pd
import pandas.plotting
from pandas.plotting import scatter_matrix
import numpy as np
Gestion desgraphiques et des modélisations , Dataviz et animation en 3D¶
In [5]:
import seaborn as sns
import matplotlib.pyplot as plt
import squarify
from matplotlib import animation
from matplotlib.animation import FuncAnimation,FFMpegFileWriter
from mpl_toolkits.mplot3d import Axes3D
Gestion des modéles d'analyses : ACP, Regression et Machine Lernaning¶
In [6]:
import scipy.stats
from sklearn.preprocessing import scale
from sklearn.linear_model import LinearRegression
Gestion des productions des cartes¶
In [7]:
import geopandas as gpd
import mapclassify as mc
#import libpysal as lps
# import geoplot as gplt
#import pysal as ps
#from pysal.contrib.viz import mapping as maps
Gestion des cartes interactives et animations¶
In [8]:
import folium
from folium.plugins import HeatMap
import PIL
import io
from ipywidgets import interact
import ipywidgets as widgets
from IPython.display import display
from IPython.display import Image
from IPython.display import HTML
Gestion de la partie inférentielle¶
In [9]:
import matplotlib.mlab as mlab
from scipy.stats import norm
from statsmodels.stats.proportion import proportion_confint
import scipy
import statsmodels
from scipy.stats import chi2_contingency
from scipy.stats import ks_2samp
import scipy.stats as stats
import researchpy as rp
In [10]:
base= r'D:\Navigation\Téléchargements\Cours Distance\Projet COVID\fichier'
base=base.replace('\\','/')
os.chdir(base)
Chargement des fichiers csv en localhost¶
In [11]:
RNB = pd.read_csv('RNB.csv',sep=',')
Continent =pd.read_csv('continent1.csv',sep = ",")
TabMond =pd.read_csv('tableau-donnes-monde.csv',sep = ";")
Chargement des données depuis le site pour avoir la mis à jour¶
In [12]:
Deces = pd.read_csv('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv')
Infections = pd.read_csv('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv')
Guerisions= pd.read_csv('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_recovered_global.csv')
pandemie = pd.read_csv('https://raw.githubusercontent.com/CSSEGISandData/COVID-19/web-data/data/cases_country.csv')
EvolPand =pd.read_csv('https://www.data.gouv.fr/fr/datasets/r/15a5a5b8-8330-48a0-a385-e01b326d2213',sep = ";" ,skiprows= 3)
EvolMond =pd.read_csv('https://www.data.gouv.fr/fr/datasets/r/f4935ed4-7a88-44e4-8f8a-33910a151d42',sep = ";" ,skiprows= 3)
Information sur les donnés¶
In [13]:
print(Continent.info())
print(TabMond.info())
#print(RNB.info())
Summary¶
In [14]:
EvolPand.describe()
Out[14]:
In [15]:
Continent.describe()
Out[15]:
In [16]:
TabMond.describe()
Out[16]:
In [17]:
EvolMond.describe()
Out[17]:
In [18]:
RNB.describe()
Out[18]:
In [19]:
Deces.describe()
Out[19]:
In [20]:
pandemie.iloc[:,4:len(pandemie)].describe()
Out[20]:
Les dimensions de chaque tableau (dataFrame)¶
In [21]:
print(Continent.shape);
print(EvolMond.shape);
print(TabMond.shape);
print(RNB.shape);
print(pandemie.shape);
print(EvolPand.shape);
Affichage des 5 premières lignes des données¶
In [22]:
TabMond.head(5)
Out[22]:
In [23]:
RNB.head(2)
Out[23]:
In [24]:
Continent.head(5)
Out[24]:
In [25]:
EvolMond.head(5)
Out[25]:
In [26]:
pandemie['Ratio']=pandemie['Recovered']/pandemie['Confirmed']
ratio=pandemie['Ratio']
pandemie.head(5)
Out[26]:
Convertion de la colonne date¶
In [27]:
pandemie.Last_Update=pd.to_datetime(pandemie.Last_Update,format='%Y-%m-%d %H:%M:%S')
EvolPand.Date=pd.to_datetime(EvolPand.Date,format='%Y-%m-%d')
EvolMond.Date=pd.to_datetime(EvolMond.Date,format='%Y-%m-%d')
Continent.dateRep=pd.to_datetime(Continent.dateRep,format='%d/%m/%Y')
EvolPand['Date1']=EvolPand['Date'].apply(lambda x:x.strftime('%Y-%m'))
Permuter l'ordre des colonnes¶
In [28]:
cols = EvolPand.columns.tolist()
cols = cols[-1:] + cols[:-1]
cols
EvolPand = EvolPand[cols]
EvolPand= EvolPand.sort_values('Infections',ascending=False)
Extration des données et fusion des données¶
In [29]:
pandemie.rename(columns={'Country_Region':'Pays','Long_':'Long','Confirmed':'Infections','Deaths':'Decedes','Recovered':'Guerisions','ISO3':'Code'},inplace=True)
pandemie.columns
Out[29]:
In [30]:
RNB2014=RNB[['Country Code','2014']]
RNB2014.rename(columns={'Country Code':'Code','2014':'RNB'},inplace=True)
RNB2014.columns
Out[30]:
In [31]:
donnee=pd.merge(pandemie[['Pays','Lat','Long','Infections','Decedes','Guerisions','Code']],RNB2014, how='left', on='Code')
donnee.columns
Out[31]:
In [32]:
Continent.rename(columns={'countryterritoryCode':'Code','popData2018':'Pop2018','continentExp':'Continent'},inplace=True)
Continent.columns
Out[32]:
In [33]:
donnee=pd.merge(donnee,Continent[['Code','Pop2018', 'Continent']], how='left', on='Code')
donnee.columns
Out[33]:
In [34]:
TabMond.rename(columns={'AG.AGR.TRAC.NO':'Code','SP.RUR.TOTL.ZS':'TauxPopRural','AG.LND.ARBL.ZS':'TauxSurfRural'},inplace=True)
TabMond.columns
Out[34]:
In [35]:
donnee=pd.merge(donnee,TabMond[['Code','TauxPopRural', 'TauxSurfRural']], how='left', on='Code')
donnee.columns
Out[35]:
Permutation des colones¶
In [36]:
donnee = donnee[['Pays', 'Code','Continent','Lat', 'Long', 'Infections','Decedes','Guerisions','RNB','Pop2018','TauxPopRural','TauxSurfRural']]
In [37]:
list(donnee.columns.values)
Out[37]:
Estimations des taux des variables¶
In [38]:
donnee['TauxInfections']=donnee['Infections'].apply(lambda x:(x/donnee['Pop2018'].sum(axis=0))*100000)
donnee['TauxDecedes']=donnee['Decedes'].apply(lambda x:(x/donnee['Pop2018'].sum(axis=0))*100000)
donnee['TauxGuerisions']=donnee['Guerisions'].apply(lambda x:(x/donnee['Pop2018'].sum(axis=0))*100000)
donnee['TauxRNB']=donnee['RNB'].apply(lambda x:(x/donnee['Pop2018'].sum(axis=0))*100000)
donnee['TauxPop2018']=donnee['Pop2018'].apply(lambda x:(x/donnee['Pop2018'].sum(axis=0))*100000)
donnee.columns
Out[38]:
Summary¶
In [39]:
donnee.iloc[:,5:len(donnee)].describe()
Out[39]:
Completer la table Continent pour faire les cartes¶
In [40]:
Continent=pd.merge(Continent,donnee[['Code','TauxPopRural', 'TauxSurfRural','TauxInfections', 'TauxDecedes', 'TauxGuerisions', 'TauxRNB','TauxPop2018']], how='left', on='Code')
Continent=Continent[['dateRep', 'day', 'month', 'year', 'cases', 'deaths','countriesAndTerritories', 'geoId', 'Code','Continent','cases', 'deaths','TauxPopRural', 'TauxSurfRural', 'TauxInfections', 'TauxDecedes','TauxGuerisions', 'TauxRNB', 'TauxPop2018']]
Continent.columns
Out[40]:
In [41]:
EvolPand.iloc[:,[2,3,4]].describe()
print("-"*20)
print("moyenne:\n",EvolPand['Infections'].mean())
print("mediane:\n",EvolPand['Infections'].median())
print("variance:\n",EvolPand['Infections'].var(ddof=0))
print("std:\n",EvolPand['Infections'].std(ddof=0))
print("skweness:\n",EvolPand['Infections'].skew())
print("kurtosis:\n",EvolPand['Infections'].kurtosis())
Évolution de la pandemie dans le monde (avec le module pandas)¶
In [42]:
sns.set()
EvolPand.plot.scatter(x='Date',y='Infections',label='Evolution des infections dans le monde',c='black')
plt.savefig('EvolutionInfecNu.png')
EvolPand.plot.scatter(x='Date',y='Guerisons',label='Evolution des guérisions dans le monde',c='green')
plt.savefig('EvolutGuerisNU.png')
EvolPand.plot.scatter(x='Date',y='Deces',label='Evolution des décès dans le monde',c='red')
plt.grid(True)
plt.savefig('EvolutDeceNu.png')
Histogramme l'évolution de Coronavirs dans le monde (mise à jour depuis le site des données)¶
In [43]:
plt.style.use('seaborn-talk')
EvolPand['Infections'].plot.hist()
EvolPand['Guerisons'].plot.hist()
EvolPand['Deces'].plot.hist()
plt.title('Évolution de CORONAVIRUS dans le monde')
plt.legend()
plt.grid(True)
plt.savefig('EvolutionsCorna.png')
Évolutions des allures de Coronavirus dans le monde¶
In [44]:
EvolPand=EvolPand.sort_values('Date',ascending=True)
sns.set()
plt.style.use('seaborn-talk')
plt.plot(EvolPand['Date'],EvolPand['Infections'],label='Cas confirmés',color='black')
plt.plot(EvolPand['Date'],EvolPand['Deces'],label='Cas décédés',color='red')
plt.plot(EvolPand['Date'],EvolPand['Guerisons'],label='Cas guerris',color='green')
plt.xlabel('Date')
plt.ylabel('nombre de cas dans le monde')
plt.title('Évolution de Coronavirus dans le monde en date de'+' '+str(EvolPand ['Date'].max()),fontsize=20 )
plt.legend()
plt.show()
plt.savefig('evolution.png')
Visualisation matricielle¶
In [45]:
EvolPand.info()
pandas.plotting.scatter_matrix(EvolPand.select_dtypes(exclude=['object','datetime64[ns]','float64']))
plt.savefig('MatrixPlotEvoCorno.png')
Normalité des données¶
On peut tester l’adéquation de l'infection à une loi normale à l’aide de test de normalité d'Agostino:¶
In [46]:
stats.normaltest(donnee['Infections'])
Out[46]:
On peut donc rejetter l’hypothèse de normalité au niveau de test 5%.
On peut tester l’adéquation de l'infection à une loi normale à l’aide de test de de Kolmogorov-Smirnov:¶
In [47]:
ks_2samp(donnee['Infections'],list(np.random.normal(np.mean(donnee['Infections']), np.std(donnee['Infections']), 1000)))
Out[47]:
On peut donc rejetter l’hypothèse de normalité au niveau de test 5%.
In [48]:
ks_2samp(donnee['Decedes'],list(np.random.normal(np.mean(donnee['Decedes']), np.std(donnee['Decedes']), 1000)))
Out[48]:
In [49]:
ks_2samp(donnee['Guerisions'],list(np.random.normal(np.mean(donnee['Guerisions']), np.std(donnee['Guerisions']), 1000)))
Out[49]:
In [50]:
ks_2samp(donnee['RNB'],list(np.random.normal(np.mean(donnee['RNB']), np.std(donnee['RNB']), 1000)))
Out[50]:
In [51]:
ks_2samp(donnee['Pop2018'],list(np.random.normal(np.mean(donnee['Pop2018']), np.std(donnee['Pop2018']), 1000)))
Out[51]:
In [52]:
ks_2samp(donnee['TauxPopRural'],list(np.random.normal(np.mean(donnee['TauxPopRural']), np.std(donnee['TauxPopRural']), 1000)))
Out[52]:
In [53]:
ks_2samp(donnee['TauxSurfRural'],list(np.random.normal(np.mean(donnee['TauxSurfRural']), np.std(donnee['TauxSurfRural']), 1000)))
Out[53]:
Dans l''ensemble, On peut donc rejetter l’hypothèse de normalité au niveau de test 5%.
Boxplot par continent des infections de Coronavirus¶
In [54]:
# plt.figure(figsize=(8,6), dpi=80)
sns.set()
donnee.dropna().boxplot(column='Infections',by='Continent')
#plt.legend()
plt.savefig('InfectioContinet.png')
# plt.figure(figsize=(8,6), dpi=80)
sns.set()
donnee.dropna().boxplot(column='Decedes',by='Continent')
#plt.legend()
plt.savefig('DecedesContinet.png')
# plt.figure(figsize=(8,6), dpi=80)
sns.set()
donnee.dropna().boxplot(column='Guerisions',by='Continent')
#plt.legend()
plt.savefig('GuerisContinet.png')
On peut tester l'égalité des variances à l’aide de test de levene:¶
H0 : égalité des variances contre H1 : pas d’égalité des variances
In [55]:
stats.levene(donnee['Infections'],donnee['Decedes'])
Out[55]:
La pvalue obtenue est inférieure à 5 %, donc test significatif, rejet de H0, pas d'égalité des variances au niveau 5 %.
On peut tester l'égalité des moyennes à l’aide de t.test:¶
H0 : égalité des moyennes Contre H1 : pas d’égalité des moyennes
In [56]:
stats.wilcoxon(donnee['Infections'],donnee['Decedes'])
Out[56]:
La pvalue obtenue est inférieure à 5 %, donc test significatif, rejet de H0, pas d'égalité des moyennes au niveau 5 %.
les statistiques au niveau monde¶
In [57]:
donnee= donnee.sort_values('Infections',ascending=False)
colM1=['Infections','Decedes','Guerisions','RNB','Pop2018']
colM2=['TauxInfections','TauxDecedes','TauxGuerisions','TauxRNB','TauxPop2018','TauxPopRural','TauxSurfRural']
In [58]:
donnee[colM1].sum()
Out[58]:
Matrice de corrélation et Significativité entre les variables¶
In [59]:
donnee[colM1].corr()
Out[59]:
Autre méthode pour obtenir 3 tableaux¶
In [60]:
corr_type, corr_matrix, corr_ps = rp.corr_case(donnee[colM1].dropna())
corr_ps
Out[60]:
On peut donc rejetter l’hypothèse d'indépendance au niveau de test 5% sauf RNB est non corrélé significativement à Pop2018 au niveau 5%.
In [61]:
rp.corr_pair(donnee[colM1].dropna())
Out[61]:
Corrélation et significativité au 5% pour toutes les variables¶
In [62]:
donnee[colM2].corr()
Out[62]:
In [63]:
corr_type, corr_matrix, corr_ps = rp.corr_case(donnee[colM2].dropna())
corr_type
Out[63]:
In [64]:
corr_matrix
Out[64]:
In [65]:
corr_ps
Out[65]:
In [66]:
rp.corr_pair(donnee[colM2].dropna())
Out[66]:
On peut donc rejetter l’hypothèse d'indépendance au niveau de test 5% sauf RNB,Pop2018,TauxPopRural et TauxSurfRural sont non corrélé significativement entre elles au niveau 5%.
Visualisation des influences entre variables¶
In [67]:
sns.pairplot(donnee[['Continent' ,'Infections','Decedes','Guerisions','RNB','Pop2018']].dropna(), hue="Continent", markers=["o", "s", "D","d","x"])
Out[67]:
In [68]:
sns.pairplot(donnee[['Continent' ,'TauxInfections','TauxDecedes','TauxGuerisions','TauxRNB','TauxPop2018','TauxPopRural','TauxSurfRural']].dropna(), hue="Continent", markers=["o", "s", "D","d","x"])
Out[68]:
Dataviz¶
In [69]:
sns.pairplot(donnee[['Continent' ,'TauxInfections','TauxDecedes','TauxGuerisions','TauxRNB','TauxPop2018','TauxPopRural','TauxSurfRural']].dropna(), hue = 'Continent', diag_kind = 'kde',plot_kws = {'alpha': 0.6, 's': 80, 'edgecolor': 'k'},size = 2)
plt.suptitle('Dispersion de CORONAVIRUS entre Continent')
Out[69]:
Dispersion de la Pandémie sur l'EUROPE¶
In [70]:
grid = sns.PairGrid(data= donnee[donnee['Continent']=='Europe'].dropna(), vars = ['TauxInfections', 'TauxDecedes', 'TauxGuerisions','TauxRNB','TauxPop2018','TauxPopRural','TauxSurfRural'])
grid = grid.map_upper(plt.scatter, color = 'darkred')
grid = grid.map_diag(plt.hist, bins = 10, color = 'darkred',edgecolor = 'k')
grid = grid.map_lower(sns.kdeplot, cmap = 'Reds')
plt.suptitle('Dispersion de CORONAVIRUS en EUROPE', size = 15)
Out[70]:
Dispersion de la Pandémie sur l'EUROPE (avec correlation)¶
In [71]:
def corr(x, y, **kwargs):
coef = np.corrcoef(x, y)[0][1]
label = r'$\rho$ = ' + str(round(coef, 2))
ax = plt.gca()
ax.annotate(label, xy = (0.2, 0.95), size = 20, xycoords = ax.transAxes)
grid = sns.PairGrid(data= donnee[donnee['Continent']=='Europe'].dropna(), vars = ['TauxInfections', 'TauxDecedes', 'TauxGuerisions','TauxRNB','TauxPop2018','TauxPopRural','TauxSurfRural'])
grid = grid.map_upper(plt.scatter, color = 'darkred')
grid = grid.map_upper(corr)
grid = grid.map_lower(sns.kdeplot, cmap = 'Reds')
grid = grid.map_diag(plt.hist, bins = 10, edgecolor = 'k', color = 'darkred');
plt.suptitle('Dispersion de CORONAVIRUS en EUROPE', size = 15)
Out[71]:
Visualisation & corrélation¶
In [72]:
corr=donnee[colM1].corr()
corr1=donnee[colM2].corr()
In [73]:
ax =sns.heatmap(corr,xticklabels=corr.columns,yticklabels=corr.columns)
plt.title('Matrice de Corrélation', fontsize = 20)
#plt.xlabel('Vari', fontsize = 15)
#plt.ylabel('Vari', fontsize = 15)
plt.show()
In [74]:
ax =sns.heatmap(corr1,xticklabels=corr1.columns,yticklabels=corr1.columns)
plt.title('Matrice de Corrélation', fontsize = 20)
#plt.xlabel('Vari', fontsize = 15)
#plt.ylabel('Vari', fontsize = 15)
plt.show()
Visualisation en 3D¶
In [78]:
donnee['Continent']=pd.Categorical(donnee['Continent'])
my_color=donnee['Continent'].cat.codes
sns.set_style("white")
fig = plt.figure()
fig.subplots_adjust(left=0, bottom=0, right=1, top=1)
ax = fig.add_subplot(111, projection='3d')
#ax.set_facecolor((0.5, 0.5, 0.5))
ax.scatter(donnee['Infections'],donnee['Decedes'],donnee['Guerisions'],c=my_color,alpha=0.8 ,cmap="Set2_r", s=60)
xAxisLine = ((min(donnee['Infections']), max(donnee['Infections'])), (0, 0), (0,0))
ax.plot(xAxisLine[0], xAxisLine[1], xAxisLine[2], 'r')
yAxisLine = ((0, 0), (min(donnee['Decedes']), max(donnee['Decedes'])), (0,0))
ax.plot(yAxisLine[0], yAxisLine[1], yAxisLine[2], 'r')
zAxisLine = ((0, 0), (0,0), (min(donnee['Guerisions']), max(donnee['Guerisions'])))
ax.plot(zAxisLine[0], zAxisLine[1], zAxisLine[2], 'r')
ax.set_xlabel("Infections")
ax.set_ylabel("Decedes")
ax.set_zlabel("Guerisions")
ax.set_title("Evolution de CORONAVIRUS dans le monde")
#plt.axis('off')
# plot.show()
plt.close()
#3D en animation
def update(i, fig, ax):
ax.view_init(elev=20., azim=i)
return fig, ax
anim = FuncAnimation(fig, update, frames=np.arange(0, 360, 2), repeat=True, fargs=(fig, ax))
anim.save('evolution3D.gif', dpi=80, writer='imagemagick', fps=24)
HTML(anim.to_html5_video())
Out[78]:
Treemap : Comparaison à la moyenne selon les variables en fonction des pays¶
In [76]:
color_list = ['#0f7216', '#b2790c', '#ffe9a3','#f9d4d4', '#d35158', '#ea3033']
plt.rc('font', size=10)
squarify.plot(sizes=donnee[donnee['Infections']>donnee['Infections'].mean()]['Infections'], label=donnee['Code'], alpha=.8,color=color_list)
plt.axis('off')
plt.title("Infections Superieures à la Moyenne par Pays",fontsize=12,fontweight="bold")
plt.show()
plt.rc('font', size=10)
squarify.plot(sizes=donnee[donnee['Decedes']>donnee['Decedes'].mean()]['Decedes'], label=donnee['Code'], alpha=.8,color=color_list )
plt.axis('off')
plt.title("Décès Superieurs à la Moyenne par Pays",fontsize=12,fontweight="bold")
plt.show()
plt.rc('font', size=10)
squarify.plot(sizes=donnee[donnee['Guerisions']>donnee['Guerisions'].mean()]['Guerisions'], label=donnee['Code'], alpha=.8,color=color_list )
plt.axis('off')
plt.title("Guérisions Superieures à la Moyenne par Pays",fontsize=12,fontweight="bold")
plt.show()
Customer Heatmap¶
In [79]:
def heatmap1(x, y, size):
fig, ax = plt.subplots()
# Mapping from column names to integer coordinates
x_labels = [v for v in sorted(x.unique())]
y_labels = [v for v in sorted(y.unique())]
x_to_num = {p[1]:p[0] for p in enumerate(x_labels)}
y_to_num = {p[1]:p[0] for p in enumerate(y_labels)}
size_scale = 500
ax.scatter(
x=x.map(x_to_num),
y=y.map(y_to_num),
s=size * size_scale,
marker='s'
)
ax.set_xticks([x_to_num[v] for v in x_labels])
ax.set_xticklabels(x_labels, rotation=45, horizontalalignment='right')
ax.set_yticks([y_to_num[v] for v in y_labels])
ax.set_yticklabels(y_labels)
corr2 = pd.melt(corr1.reset_index(), id_vars='index')
corr2.columns = ['x', 'y', 'value']
sns.set()
heatmap1(x=corr2['x'],y=corr2['y'],size=corr2['value'].abs())
ax.grid(False, 'major')
ax.grid(True, 'minor')
ax.set_xticks([t + 0.5 for t in ax.get_xticks()], minor=True)
ax.set_yticks([t + 0.5 for t in ax.get_yticks()], minor=True)
Visualisation des pays touchées par le CORONAVIRUS¶
In [80]:
mpCororna = folium.Map(location=[10,10],zoom_start=1.5,tiles='Stamen Toner')
HeatMap(donnee[['Lat','Long']].dropna(), radius=16).add_to(mpCororna)
mpCororna.save('corona_mapa.html')
#allez visualizer l'image en cliquant sur le fichier HTML dans le wokspace
display(mpCororna)
Classification des pays les plus inféctés et le nombre de décès journaliers¶
In [81]:
mpInfections=folium.Map(location=[42,5],zoom_start=6, max_zoom=5,min_zoom=2)
for i in range(0,len(Infections)):
folium.Circle(
location=[Infections.iloc[i]['Lat'],Infections.iloc[i]['Long']],
fill=True,
radius=(int((np.log(Infections.iloc[i,-1]+1.00001)))+0.2)*25000, #reduire la taille des cercles
color='red',
fill_color='indigo',
tooltip = "<div style='margin: 0; background-color: black; color: white;'>"+
"<h4 style='text-align:center;font-weight: bold'>"+Infections.iloc[i]['Country/Region'] + "</h4>"
"<hr style='margin:10px;color: white;'>"+
"<ul style='color: white;;list-style-type:circle;align-item:left;padding-left:20px;padding-right:20px'>"+
"<li>Infections: "+str(Infections.iloc[i,-1])+"</li>"+
"<li>Deces d'aujourd'hui: "+str(Deces.iloc[i,-1])+"</li>"+
"<li>Taux de mortalite d'aujourd'hui: "+ str(np.round(Deces.iloc[i,-1]/(Infections.iloc[i,-1]+1.00001)*100,2))+ "</li>"+
"</ul></div>",
).add_to(mpInfections)
mpInfections.save("infections.html")
#allez visualizer l'image en cliquant sur le fichier HTML dans le wokspace
display(mpInfections)
Classification des pays les plus retablis et le monde de décès journaliers¶
In [82]:
mpGuerision=folium.Map(location=[46,2],zoom_start=6, max_zoom=5,min_zoom=2,tiles='Stamen Toner')
for i in range(0,len(Guerisions)):
folium.Circle(
location=[Guerisions.iloc[i]['Lat'],Guerisions.iloc[i]['Long']],
fill=True,
radius=(int((np.log(Guerisions.iloc[i,-1]+1.00001)))+0.2)*25000,#reduire la taille des cercles
color='green',
fill_color='green',
legend_name='Guerisons',
tooltip = "<div style='margin: 0; background-color: black; color: white;'>"+
"<h4 style='text-align:center;font-weight: bold'>"+Guerisions.iloc[i]['Country/Region'] + "</h4>"
"<hr style='margin:10px;color: white;'>"+
"<ul style='color: white;;list-style-type:circle;align-item:left;padding-left:20px;padding-right:20px'>"+
"<li>Guerisons: "+str(Guerisions.iloc[i,-1])+"</li>"+
"<li>Deces d'aujourd'hui: "+str(Deces.iloc[i,-1])+"</li>"+
"<li>Taux de mortalite d'aujourd'hui: "+ str(np.round(Deces.iloc[i,-1]/(Infections.iloc[i,-1]+1.00001)*100,2))+ "</li>"+
"</ul></div>",
).add_to(mpGuerision)
mpGuerision.save("guerisions.html")
#allez visualizer l'image en cliquant sur le fichier HTML dans le wokspace
display(mpGuerision)
Carte avec Ratio en curseur¶
Importation de la carte¶
In [84]:
Monde= gpd.read_file("pays-monde.shp")
type(Monde)
Monde.head()
Out[84]:
Fusion des données¶
In [85]:
donnee['ISO3']=donnee['Code']
donnee.columns
Monde=pd.merge(Monde,donnee[['Continent','Infections','Decedes','Guerisions','RNB','Pop2018','TauxPopRural', 'TauxSurfRural','TauxInfections', 'TauxDecedes', 'TauxGuerisions', 'TauxRNB','TauxPop2018','ISO3']], how='left', on='ISO3')
Monde1=Monde.dropna()
In [86]:
sns.set_style("white")
ax = Monde1.plot(column='Infections',cmap='Blues',figsize=(15, 15),legend=True, alpha=0.5, edgecolor='k',linewidth=0.4,scheme='Quantiles', k=5)
ax.set_title('Nombres d''infections par le CORONAVIRUS par pays', fontdict = {'fontsize':20}, pad = 12.5)
#ax.set_axis_off() Pour supprimer les axes
ax.get_legend().set_bbox_to_anchor((0.2, 0.6))
ax.get_legend().set_title('Legende')
In [87]:
sns.set_style("white")
ax = Monde1.plot(column='Guerisions',cmap='Greens',figsize=(15, 15),legend=True, alpha=0.5, edgecolor='k',linewidth=0.4,scheme='Quantiles', k=5)
ax.set_title('Nombre de guéris du CORONAVIRUS par pays', fontdict = {'fontsize':20}, pad = 12.5)
#ax.set_axis_off()
ax.get_legend().set_bbox_to_anchor((0.2, 0.6))
ax.get_legend().set_title('Legende')
In [88]:
sns.set_style("white")
ax = Monde1.plot(column='Decedes',cmap='Reds',figsize=(15, 15),legend=True, alpha=0.5, edgecolor='k',linewidth=0.4,scheme='Quantiles', k=5)
ax.set_title('Nombre de décès du CORONAVIRUS par pays', fontdict = {'fontsize':20}, pad = 12.5)
#ax.set_axis_off()
ax.get_legend().set_bbox_to_anchor((0.2, 0.6))
ax.get_legend().set_title('Legende')
Personnalisation des cartes scheme = 'user_defined', classification_kwds = {'bins':[10, 20, 50, 100, 500, 1000, 5000, 10000, 500000]}¶
In [89]:
sns.set_style("white")
ax = Monde1.plot(column='Decedes',cmap='GnBu',figsize=(15, 15),legend=True, alpha=0.5, edgecolor='k',linewidth=0.4,scheme = 'user_defined', classification_kwds = {'bins':[10, 20, 50, 100, 500, 1000, 5000, 10000, 500000]})
ax.set_title('Nombre de décès du CORONAVIRUS par pays', fontdict = {'fontsize':20}, pad = 12.5)
ax.set_axis_off()
ax.get_legend().set_bbox_to_anchor((0.2, 0.6))
ax.get_legend().set_title('Legende')
Carte en gif¶
In [ ]:
#aggregation par date
InfectionsData = Infections.groupby('Country/Region').sum()
DecesData = Deces.groupby('Country/Region').sum()
GuerisionsData = Guerisions.groupby('Country/Region').sum()
#suppression des colonnes
InfectionsData =InfectionsData.drop(columns = ['Lat', 'Long'])
DecesData =DecesData.drop(columns = ['Lat', 'Long'])
GuerisionsData =GuerisionsData.drop(columns = ['Lat', 'Long'])
#Rechargement de la carte
Monde= gpd.read_file("pays-monde.shp")
#Changement des noms pour faciliter la jointure
Monde.replace('Viet Nam', 'Vietnam', inplace = True)
Monde.replace('Brunei Darussalam', 'Brunei', inplace = True)
Monde.replace('Cape Verde', 'Cabo Verde', inplace = True)
Monde.replace('Democratic Republic of the Congo', 'Congo (Kinshasa)', inplace = True)
Monde.replace('Congo', 'Congo (Brazzaville)', inplace = True)
Monde.replace('Czech Republic', 'Czechia', inplace = True)
Monde.replace('Swaziland', 'Eswatini', inplace = True)
Monde.replace('Iran (Islamic Republic of)', 'Iran', inplace = True)
Monde.replace('Korea, Republic of', 'Korea, South', inplace = True)
Monde.replace("Lao People's Democratic Republic", 'Laos', inplace = True)
Monde.replace('Libyan Arab Jamahiriya', 'Libya', inplace = True)
Monde.replace('Republic of Moldova', 'Moldova', inplace = True)
Monde.replace('The former Yugoslav Republic of Macedonia', 'North Macedonia', inplace = True)
Monde.replace('Syrian Arab Republic', 'Syria', inplace = True)
Monde.replace('Taiwan', 'Taiwan*', inplace = True)
Monde.replace('United Republic of Tanzania', 'Tanzania', inplace = True)
Monde.replace('United States', 'US', inplace = True)
Monde.replace('Palestine', 'West Bank and Gaza', inplace = True)
#Jointure des tables grace aux noms
mergeInfections = Monde.join(InfectionsData, on = 'NAME', how = 'right')
mergeDeces = Monde.join(DecesData, on = 'NAME', how = 'right')
mergeGuerisions = Monde.join(GuerisionsData, on = 'NAME', how = 'right')
infections.gif¶
In [ ]:
image_frames = []
#Il faut aciver
#for dates in mergeInfections.columns.to_list()[12:len(mergeInfections.columns)]:
ax = mergeInfections.plot(column = dates,
cmap = 'Blues',
figsize = (15,15),
legend = True,
alpha=0.5,
scheme = 'user_defined',
classification_kwds = {'bins':[10, 20, 50, 100, 500, 1000, 5000, 10000, 500000]},
edgecolor = 'black',
linewidth = 0.4)
ax.set_title('Nombres d''infections par le CORONAVIRUS par pays: '+ dates, fontdict =
{'fontsize':20}, pad = 12.5)
ax.set_axis_off()
ax.get_legend().set_bbox_to_anchor((0.18, 0.6))
ax.get_legend().set_title('Legende')
img = ax.get_figure()
#f = io.BytesIO()
img.savefig(f, format = 'png', bbox_inches = 'tight')
#f.seek(0)
image_frames.append(PIL.Image.open(f))
In [ ]:
image_frames[0].save('InfectionsPays.gif', format = 'GIF',
append_images = image_frames[1:],
save_all = True, duration = 300,
loop = 3)
f.close()
In [90]:
Image('InfectionsPays.gif')
Out[90]:
In [91]:
Image('Deces.gif')
Out[91]:
In [95]:
Image('Guerision.gif')
Out[95]:
Veuillez voir les cartes gif en workpace
CONCLUSION¶
En somme, le projet COVID-19 montre une dépendance de cette pandémie de CORONAVIRUS face aux capacités de résilience des pays
étudiées et la propagation de cette pandémie est spécifiquement variable en fonction de chaque pays.